論文の概要: Training and Comparison of nnU-Net and DeepMedic Methods for
Autosegmentation of Pediatric Brain Tumors
- arxiv url: http://arxiv.org/abs/2401.08404v1
- Date: Tue, 16 Jan 2024 14:44:06 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-17 13:49:55.664789
- Title: Training and Comparison of nnU-Net and DeepMedic Methods for
Autosegmentation of Pediatric Brain Tumors
- Title（参考訳）: 小児脳腫瘍のオートセグメンテーションにおけるnnu-netとdeepmedic法の訓練と比較
- Authors: Arastoo Vossough, Nastaran Khalili, Ariana M. Familiar, Deep Gandhi,
Karthik Viswanathan, Wenxin Tu, Debanjan Haldar, Sina Bagheri, Hannah
Anderson, Shuvanjan Haldar, Phillip B. Storm, Adam Resnick, Jeffrey B. Ware,
Ali Nabavizadeh, Anahita Fathi Kazerooni
- Abstract要約: ディープラーニングに基づく2つの3DセグメンテーションモデルであるDeepMedicとnnU-Netを比較した。
小児特異的に訓練されたnnU-Netモデルは、小児脳腫瘍の全腫瘍および亜領域のセグメンテーションにおいてDeepMedicよりも優れている。
- 参考スコア（独自算出の注目度）: 0.08519384144663283
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Brain tumors are the most common solid tumors and the leading cause of
cancer-related death among children. Tumor segmentation is essential in
surgical and treatment planning, and response assessment and monitoring.
However, manual segmentation is time-consuming and has high inter-operator
variability, underscoring the need for more efficient methods. We compared two
deep learning-based 3D segmentation models, DeepMedic and nnU-Net, after
training with pediatric-specific multi-institutional brain tumor data using
based on multi-parametric MRI scans.Multi-parametric preoperative MRI scans of
339 pediatric patients (n=293 internal and n=46 external cohorts) with a
variety of tumor subtypes, were preprocessed and manually segmented into four
tumor subregions, i.e., enhancing tumor (ET), non-enhancing tumor (NET), cystic
components (CC), and peritumoral edema (ED). After training, performance of the
two models on internal and external test sets was evaluated using Dice scores,
sensitivity, and Hausdorff distance with reference to ground truth manual
segmentations. Dice score for nnU-Net internal test sets was (mean +/- SD
(median)) 0.9+/-0.07 (0.94) for WT, 0.77+/-0.29 for ET, 0.66+/-0.32 for NET,
0.71+/-0.33 for CC, and 0.71+/-0.40 for ED, respectively. For DeepMedic the
Dice scores were 0.82+/-0.16 for WT, 0.66+/-0.32 for ET, 0.48+/-0.27, for NET,
0.48+/-0.36 for CC, and 0.19+/-0.33 for ED, respectively. Dice scores were
significantly higher for nnU-Net (p<=0.01). External validation of the trained
nnU-Net model on the multi-institutional BraTS-PEDs 2023 dataset revealed high
generalization capability in segmentation of whole tumor and tumor core with
Dice scores of 0.87+/-0.13 (0.91) and 0.83+/-0.18 (0.89), respectively.
Pediatric-specific data trained nnU-Net model is superior to DeepMedic for
whole tumor and subregion segmentation of pediatric brain tumors.
- Abstract（参考訳）: 脳腫瘍は最も一般的な固形腫瘍であり、子供のがん関連死亡の原因となっている。
腫瘍の分節化は外科的および治療計画、反応の評価とモニタリングに不可欠である。
しかし、手動のセグメンテーションは時間がかかり、演算子間のばらつきが高く、より効率的な方法の必要性を強調している。
We compared two deep learning-based 3D segmentation models, DeepMedic and nnU-Net, after training with pediatric-specific multi-institutional brain tumor data using based on multi-parametric MRI scans.Multi-parametric preoperative MRI scans of 339 pediatric patients (n=293 internal and n=46 external cohorts) with a variety of tumor subtypes, were preprocessed and manually segmented into four tumor subregions, i.e., enhancing tumor (ET), non-enhancing tumor (NET), cystic components (CC), and peritumoral edema (ED).
トレーニング後,2つのモデルの内部および外部テストセットの性能を,Diceスコア,感度,ハウスドルフ距離を用いて評価した。
nnU-Netの内部テストセットのディススコアは、WTが0.9+/0.07(0.94)、ETが0.77+/-0.29、NETが0.66+/-0.32、CCが0.71+/-0.33、EDが0.71+/-0.40であった。
DeepMedicのDiceスコアはWTが0.82+/-0.16、ETが0.66+/-0.32、NETが0.48+/-0.27、CCが0.48+/-0.36、EDが0.19+/-0.33であった。
diceスコアはnnu-net (p<=0.01) で有意に高かった。
複数施設のBraTS-PEDs 2023データセット上で訓練されたnnU-Netモデルの外部的検証により,Diceスコア0.87+/-0.13 (0.91) と 0.83+/-0.18 (0.89) の腫瘍全体と腫瘍コアのセグメンテーションにおける高い一般化能が示された。
小児特異的データトレーニングnnu-netモデルは、小児脳腫瘍の全腫瘍および亜領域の分節に対してdeepmedicよりも優れている。
関連論文リスト
- TotalSegmentator MRI: Sequence-Independent Segmentation of 59 Anatomical Structures in MR images [62.53931644063323]
本研究では,TotalSegmentatorをMR画像に拡張した。
このデータセットに基づいてnnU-Netセグメンテーションアルゴリズムを訓練し、類似度係数(Dice)を計算し、モデルの性能を評価した。
このモデルは、他の2つの公開セグメンテーションモデル(Dice score 0.824 vs 0.762; p0.001 and 0.762 versus 0.542; p)を大きく上回った。
論文 参考訳（メタデータ） (2024-05-29T20:15:54Z) - Convolutional Neural Networks for Segmentation of Malignant Pleural
Mesothelioma: Analysis of Probability Map Thresholds (CALGB 30901, Alliance) [3.5543234184232566]
深層学習を用いた自動セグメンテーション手法を用いてボリュームを取得する。
本研究の目的は,畳み込みニューラルネットワーク(CNN)を用いて発生したMPM腫瘍像に対する確率マップ閾値の影響を評価することである。
CNNアノテーションは、放射線医の輪郭よりも腫瘍の体積が小さい。
論文 参考訳（メタデータ） (2023-11-30T22:07:07Z) - Improving Deep Learning Models for Pediatric Low-Grade Glioma Tumors
Molecular Subtype Identification Using 3D Probability Distributions of Tumor
Location [0.0]
pLGGサブタイプ同定のためのCNNモデルは腫瘍セグメンテーションに依存している。
我々はMRIデータにおける腫瘍位置確率を用いてCNNモデルを拡張することを提案する。
腫瘍位置をCNNモデルに組み込むことにより,統計的に有意な改善が得られた。
論文 参考訳（メタデータ） (2022-10-13T18:30:11Z) - TotalSegmentator: robust segmentation of 104 anatomical structures in CT
images [48.50994220135258]
身体CT画像の深層学習セグメント化モデルを提案する。
このモデルは、臓器の容積、疾患の特徴、外科的または放射線療法計画などのユースケースに関連する104の解剖学的構造を区分することができる。
論文 参考訳（メタデータ） (2022-08-11T15:16:40Z) - EMT-NET: Efficient multitask network for computer-aided diagnosis of
breast cancer [58.720142291102135]
乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。
腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。
腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
論文 参考訳（メタデータ） (2022-01-13T05:24:40Z) - Multi-Threshold Attention U-Net (MTAU) based Model for Multimodal Brain
Tumor Segmentation in MRI scans [5.586191108738564]
グリオーマは最も頻度の高い脳腫瘍の1つで、中等度と低等級のグリオーマに分類される。
磁気共鳴画像(MRI)における腫瘍の様々な部位の同定のための注意U-Netに基づくマルチスレッショルドモデルを開発した。
提案したモデルでは, トレーニングデータセット上でそれぞれ腫瘍, 腫瘍全体, 腫瘍コアを増強するためのDice係数0.59, 0.72, 0.61が得られた。
同じモデルでは、検証データセットではDice Coefficientが0.57、0.73、0.61、テストデータセットでは0.59、0.72、0.57となっている。
論文 参考訳（メタデータ） (2021-01-29T04:53:42Z) - Brain Tumor Segmentation and Survival Prediction using Automatic Hard
mining in 3D CNN Architecture [0.30098583327398537]
我々は3次元完全畳み込みニューラルネットワーク(CNN)を用いて、マルチモーダル磁気共鳴画像(MRI)からグリオーマとその構成成分を抽出する。
このアーキテクチャでは、密度の高い接続パターンを使用して重量と残留接続数を削減し、BraTS 2018データセットでこのモデルをトレーニングした結果の重量は0.448である。
シース類似度係数(DSC)の閾値を高めて、エポックの増加とともにハードケースを選択することにより、セグメンテーションタスクの難しいケースを訓練するために、トレーニング中にハードマイニングを行う。
論文 参考訳（メタデータ） (2021-01-05T14:34:16Z) - H2NF-Net for Brain Tumor Segmentation using Multimodal MR Imaging: 2nd
Place Solution to BraTS Challenge 2020 Segmentation Task [96.49879910148854]
当社のH2NF-Netは、単一およびカスケードのHNF-Netを使用して、異なる脳腫瘍サブリージョンを分割します。
我々は、マルチモーダル脳腫瘍チャレンジ(BraTS)2020データセットでモデルをトレーニングし、評価した。
提案手法は,80名近い参加者のうち,brats 2020チャレンジセグメンテーションタスクで2位となった。
論文 参考訳（メタデータ） (2020-12-30T20:44:55Z) - DR-Unet104 for Multimodal MRI brain tumor segmentation [7.786297008452384]
脳MRIにおける病変分割のために,104層の畳み込み層(DR-Unet104)を有する2次元奥行きUnetを提案する。
Unetエンコーダに'bottleneck'残ブロックを追加し、各畳み込みブロックスタックの後にドロップアウトを追加するなど、Unetアーキテクチャに複数の追加を加えています。
コンボリューションは2次元のコンボリューションしかなく,低消費電力コンピュータで使用可能なメリットも備えた,競争力のある病変分割アーキテクチャを開発した。
論文 参考訳（メタデータ） (2020-11-04T01:24:26Z) - Brain tumor segmentation with self-ensembled, deeply-supervised 3D U-net
neural networks: a BraTS 2020 challenge solution [56.17099252139182]
U-netのようなニューラルネットワークを用いた脳腫瘍セグメント化作業の自動化と標準化を行う。
2つの独立したモデルのアンサンブルが訓練され、それぞれが脳腫瘍のセグメンテーションマップを作成した。
我々の解は、最終試験データセットにおいて、Diceの0.79、0.89、0.84、およびHausdorffの95%の20.4、6.7、19.5mmを達成した。
論文 参考訳（メタデータ） (2020-10-30T14:36:10Z) - Segmentation of the Myocardium on Late-Gadolinium Enhanced MRI based on
2.5 D Residual Squeeze and Excitation Deep Learning Model [55.09533240649176]
本研究の目的は,LGE-MRIを用いた心筋境界領域の深部学習モデルに基づく正確な自動セグメンテーション法を開発することである。
合計320回の試験(平均6回の試験)と28回の試験が行われた。
ベーススライスとミドルスライスにおけるアンサンブルモデルの性能解析は, サーバ内調査と同等であり, アトピーススライスではわずかに低かった。
論文 参考訳（メタデータ） (2020-05-27T20:44:38Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。